I.2Синтез, понимание и проверка знаний

InterSync разработала дообученную версию Mistral-7B-Instruct-v0.2 с поддержкой вызова функций. Это плотная авторегрессионная модель семейства Mistral на 7,1 млрд параметров; она принимает текстовые сообщения и генерирует текст, включая структурированные вызовы внешних функций в диалоге. Контекст модели составляет 32 768 токенов. Модель предназначена для диалоговых приложений, которым нужно направлять запросы к внешним API, искать сведения в интернете или пользовательских базах данных и использовать полученные данные для ответов и кратких объяснений. Такие функции выполняются через интеграцию с инструментами приложения. Модель представлена в формате Safetensors и распространяется по лицензии CC. README описывает поддержку вызова функций, но не приводит результаты оценки качества; точная совместимость с конкретными схемами инструментов и API зависит от интеграции.

mMiniLMv2-L6-H384 — повторная публикация Microsoft Multilingual MiniLM v2 пользователем hotchpotch для более удобного использования через библиотеку Transformers. Это плотная модель семейства XLM-RoBERTa с 110,2 млн параметров, предназначенная для извлечения признаков из текста. Максимальная длина контекста составляет 514 токенов. Репозиторий содержит веса в формате safetensors. Модель можно использовать как основу для получения текстовых представлений в мультиязычных сценариях. README указывает на предварительно обученную Multilingual MiniLM v2; языки отдельно не перечислены. Модель распространяется по лицензии MIT. Авторы просят указывать авторство оригинальной модели.

Morgan-Tanglish-v7 — модель эмбеддингов предложений, созданная Vishnu N для семантического сравнения текста на танглише: смеси тамильского и английского языков, записанной латиницей. Она дообучена на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 и предназначена для коротких сообщений и предложений, похожих на тексты из соцсетей; контекст модели — до 512 токенов. В метаданных указаны архитектура BERT, 124,3 млн параметров и формат safetensors. Модель подходит для семантического поиска, подбора похожих предложений, обнаружения дубликатов, сопоставления обращений в поддержку и резюме с вакансиями, а также поиска по корпусам для RAG-систем. Автор сообщает о результатах на TanglishSTS — наборе из 325 пар, размеченных носителем тамильского языка, — и о превосходстве над сравниваемыми моделями в ряде тестов; это заявление основано на оценке автора. Лицензия — Apache-2.0. Модель обучалась преимущественно на танглише. Автор предупреждает, что она не предназначена для формального тамильского на родном письме, а качество для хинглиша и чисто английских задач не подтверждено. Она оптимизирована для коротких текстов длиной около 6–50 слов; качество на длинных документах и новых интернет-сленгах может быть ниже.

NuExtract-1.5-tiny — разработанная NuMind модель извлечения структурированной информации, дообученная на Qwen/Qwen2.5-0.5B на частном высококачественном наборе данных. Она принимает текст документа и JSON-шаблон с нужными полями и генерирует заполненную структуру; модель настроена на точное извлечение, поэтому старается сохранять формулировки исходного текста. Модель построена на плотной архитектуре Qwen2 с 494 млн параметров и контекстом до 32 768 токенов. README заявляет поддержку английского, французского, испанского, немецкого, португальского и итальянского языков, а также работу с длинными документами. Репозиторий содержит веса Safetensors; лицензия — MIT. Модель подходит для извлечения полей из документов и преобразования неструктурированного текста в JSON. Для более стабильного извлечения рекомендуется температура, равная нулю или близкая к ней. Русский язык среди заявленных языков не указан; качество извлечения в README не охарактеризовано численными результатами.

mlx-community/Qwen2-VL-2B-mlx — конверсия мультимодальной модели Qwen2-VL-2B для запуска с mlx-vlm на компьютерах Apple Silicon. В репозитории также исправлен шаблон чата, чтобы корректно формировать сообщения для инференса. Модель принимает текстовые запросы и изображения и генерирует текст; она поддерживает понимание изображений разного разрешения, а базовая карточка также описывает анализ видео и чтение текста на изображениях на нескольких языках. Размер модели — 1,5 млрд параметров, контекст — 32 768 токенов; архитектура — плотная Qwen2-VL с генерацией по условию. Это базовая предварительно обученная модель без настройки для следования инструкциям. Она подходит для вопросов и ответов по изображениям, визуального анализа документов и сцен, а также видеоанализа, но в диалоговых сценариях может потребовать инструкционной настройки. Репозиторий распространяется по лицензии Apache-2.0.

MMOPD/Qwen3-1.7B-OT3-2ep — плотная языковая модель Qwen3 с 1,7 млрд параметров, дообученная командой проекта MMOPD на OpenThoughts3-1.2M. Это версия после двух эпох обучения, созданная как модель для рассуждений и как отправная точка для разработки специализированных моделей и экспериментов с дистилляцией. Модель использует формат чата Qwen3 и перед ответом выдаёт блок рассуждений; заявлены задачи по математике, программированию и научным вопросам. Контекст — до 32 768 токенов. Модель предназначена для генерации ответов с пошаговыми рассуждениями, решения математических задач, написания и анализа кода, а также ответов на научные вопросы. В README приведены результаты на AIME, LiveCodeBench, IFEval и IFBench; показатели версии 1,7B ниже, чем у указанной там модели 4B. Для использования рекомендуются формат чата Qwen3, включённый режим thinking и сэмплирование вместо жадной генерации. Модель распространяется по лицензии Apache-2.0.

Qwen3.7-Plus — экономичная мультимодальная модель из серии Qwen3.7 компании Alibaba. Она принимает текст и изображения и формирует текстовые ответы, поэтому подходит для диалога и задач, где нужно интерпретировать визуальное содержимое вместе с текстовым запросом.

Карточка модели ro0ger/Qwen3-Reranker-0.6B на Hugging Face совпадает с карточкой Qwen/Qwen3-Reranker-0.6B, поэтому описание составлено по ней. Qwen3-Reranker-0.6B — компактная модель переранжирования текста из серии Qwen3 Embedding, разработанная Qwen. Она оценивает соответствие пары «запрос — фрагмент» и помогает упорядочить найденные документы или другие текстовые кандидаты по релевантности. Модель содержит 507,6 млн параметров, построена на плотной архитектуре Qwen3 и принимает последовательности контекстом до 40 960 токенов по метаданным; README указывает длину 32K. Для запуска доступны веса Safetensors и интеграция с Transformers и Sentence Transformers. Модель предназначена для улучшения поиска по текстам и коду, в том числе многоязычного и межъязыкового поиска. README заявляет поддержку более 100 языков, понимание длинных текстов и настройку инструкции под сценарий; для поисковых задач приводится стандартная инструкция для запросов веб-поиска. Метаданные указывают дообучение от Qwen/Qwen3-0.6B-Base и лицензию Apache-2.0. Оценки в README получены на кандидатах из первой сотни, предварительно найденных эмбеддинг-моделью Qwen3-Embedding-0.6B, поэтому их нельзя напрямую считать качеством самостоятельного поиска. README также предупреждает, что без инструкции на стороне запроса качество в большинстве рассмотренных сценариев может снизиться примерно на 1–5%.

Furiosa AI публикует эту версию Qwen3-Reranker-4B вместе с Furiosa Executable Bundle для запуска на ускорителе FuriosaAI RNGD через Furiosa-LLM. В основе — плотный трансформер Qwen3 с 3,7 млрд параметров; модель принимает текстовый запрос и набор документов-кандидатов, оценивает их релевантность и помогает упорядочить результаты поиска. Контекст модели — до 40 960 токенов. Модель предназначена для второго этапа поиска, в том числе для reranking в RAG-системах. README указывает на BF16 без квантизации и поддержку параллелизма по тензорам на одном RNGD с восемью PE. Репозиторий также сообщает о совместимости с Sentence Transformers, vLLM и Transformers. Лицензия — Apache 2.0. Метаданные указывают английский язык карточки; базовая модель описана как мультиязычная, поэтому она подходит для ранжирования текстов на разных языках, хотя конкретный перечень языков здесь не приведён.

mlx-community/Qwen3-Reranker-4B-mxfp8 — конвертированная в формат MLX модель для ранжирования текстов. Репозиторий mlx-community создан на основе Qwen/Qwen3-Reranker-4B; веса представлены в формате mxfp8 и рассчитаны на использование с mlx-embeddings на совместимой платформе Apple. Модель подходит для оценки релевантности текстовых пар и сортировки результатов поиска или документов по запросу. В метаданных указана плотная архитектура Qwen3 с 3,7 млрд параметров, а базовая модель Qwen3-4B-Base поддерживает контекст до 40 960 токенов. Лицензия — Apache-2.0. README подтверждает конвертацию формата из Qwen3-Reranker-4B, а метаданные связывают модель с Qwen3-4B-Base как дообучение; точная цепочка происхождения поэтому не вполне однозначна.

Qwen3-Reranker-4B-seq-cls-vllm-fixed — версия Qwen/Qwen3-Reranker-4B, преобразованная в архитектуру классификации последовательностей и настроенная для совместимости с vLLM. Модель оценивает релевантность пары «запрос — текст» и предназначена для повторной сортировки результатов поиска. Она использует плотную архитектуру Qwen3ForSequenceClassification, содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. По карточке модели, преобразование из CausalLM в SequenceClassification сохраняет результаты исходного реранкера, но значительно сокращает классификационную голову и вычисления при оценке. Модель распространяется по лицензии Apache-2.0. Указанная настройка рассчитана на использование с vLLM.

Карточка модели Schnappson/qwen-reranker-ai-act-1e-8pn-138q на Hugging Face совпадает с карточкой Qwen/Qwen3-Reranker-0.6B, поэтому описание составлено по ней. Qwen3-Reranker-0.6B — компактная модель переранжирования текста из серии Qwen3 Embedding, разработанная Qwen. Она оценивает соответствие пары «запрос — фрагмент» и помогает упорядочить найденные документы или другие текстовые кандидаты по релевантности. Модель содержит 507,6 млн параметров, построена на плотной архитектуре Qwen3 и принимает последовательности контекстом до 40 960 токенов по метаданным; README указывает длину 32K. Для запуска доступны веса Safetensors и интеграция с Transformers и Sentence Transformers. Модель предназначена для улучшения поиска по текстам и коду, в том числе многоязычного и межъязыкового поиска. README заявляет поддержку более 100 языков, понимание длинных текстов и настройку инструкции под сценарий; для поисковых задач приводится стандартная инструкция для запросов веб-поиска. Метаданные указывают дообучение от Qwen/Qwen3-0.6B-Base и лицензию Apache-2.0. Оценки в README получены на кандидатах из первой сотни, предварительно найденных эмбеддинг-моделью Qwen3-Embedding-0.6B, поэтому их нельзя напрямую считать качеством самостоятельного поиска. README также предупреждает, что без инструкции на стороне запроса качество в большинстве рассмотренных сценариев может снизиться примерно на 1–5%.

njw9722 дообучил Sentence Transformer на базе mixedbread-ai/mxbai-embed-large-v1 для сравнения коротких текстов, связанных с технологиями и названиями продуктов. Модель преобразует предложения и абзацы в плотные векторы размерности 512; сходство между текстами можно оценивать косинусным сходством. Архитектура включает BERT с длиной последовательности до 512 токенов и пулингом CLS-токена. Число параметров — 433,9 млн, библиотека — Sentence Transformers. Модель подходит для семантического поиска, сопоставления синонимов и вариантов написания, поиска парафраз, кластеризации и классификации текстов. В обучающих и оценочных примерах сопоставляются англоязычные названия технологий и продуктов, включая сокращения и полные названия, поэтому такие сценарии особенно хорошо подтверждены карточкой. Данных недостаточно, чтобы утверждать поддержку других языков или широкую отраслевую специализацию. Максимальная длина входа — 512 токенов. Лицензия в предоставленных источниках не указана.

Ultravox v0.6 Qwen 3 32B — мультимодальная речевая языковая модель Fixie.ai, объединяющая языковую модель Qwen 3 с речевым энкодером whisper-large-v3-turbo. Она принимает аудио вместе с текстовым контекстом и формирует текстовые ответы; модель подходит для голосовых агентов, распознавания и анализа речи, а также перевода устной речи. Версия v0.6 обучалась на расширенном наборе данных речи на хинди, что улучшило понимание хинди, и на шумовых данных для большей устойчивости к шуму. При слишком шумном аудио или отсутствии разборчивой речи модель может вывести маркер ((noise)). Модель поддерживает многоязычную речь и текст, включая языки, перечисленные в метаданных Hugging Face. По карточке она не генерирует аудио: в ответах выдаёт текст. Для этой версии не применялась настройка предпочтений. Лицензия — MIT.

VisRAG-Ret — модель для векторного представления страниц документов в мультимодальном поиске, разработанная OpenBMB. Она входит в конвейер VisRAG: страницы документов подаются как изображения и индексируются для поиска по запросам, чтобы использовать их при генерации ответов без предварительного извлечения текста из документа. Модель дообучена на MiniCPM-V 2.0, объединяющей визуальный энкодер SigLIP и языковую модель MiniCPM-2B; размер составляет 2,7 млрд параметров, формат весов — Safetensors, контекст — 4096 токенов. VisRAG-Ret предназначена для поиска по страницам PDF и другим документам с сохранением визуальной структуры и содержимого, включая информацию, которая может теряться при преобразовании документа в обычный текст. Обучение проводилось на 362 110 парах «запрос — документ», включающих академические данные и синтетические запросы к страницам веб-документов. Карточка указывает английский язык; лицензия — Apache-2.0. Модель решает задачу извлечения признаков, а для полноценного RAG-конвейера требуется отдельный этап генерации ответа.

WeMM-Embedding-2B-Quantized — мультимодальная модель для создания эмбеддингов, опубликованная ewin-reg на базе tencent/WeMM-Embedding-2B. Она предназначена для семантического поиска и сопоставления текста, изображений и видео, включая поиск по документам, ранжирование изображений по текстовому запросу и поиск видеоклипов. Модель использует гибридную архитектуру Qwen3.5 с линейным и полным вниманием, а также смешанную квантизацию FP8 и INT4. Размер базовой модели — 2,72 млрд параметров; веса размещены в одном файле SafeTensors объёмом около 1,75 ГБ. Эмбеддинги имеют размерность 2048, которую можно сокращать до 64 измерений с помощью Matryoshka Representation Learning. Модель рассчитана на использование в Python через Hugging Face и SentenceTransformers, в том числе в векторных базах и средах с ограниченной памятью. Карточка заявляет поддержку текста, изображений и видео и указывает английский, китайский и многоязычный режимы; лицензия обозначена как other. Это модель эмбеддингов: она не предназначена для свободной генерации текста. Для дообучения упакованные INT4-веса нужно предварительно преобразовать в BF16 или FP16.

Карточка модели avsolatorio/00-100-11-1-0-1-0-0-cls-normed-768-512-hard_GIST_BAAI_bge-base-en-v1.5-20240128213417-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

LazarusNLP разработала all-indo-e5-small-v4 — модель Sentence-Transformers на архитектуре BERT с 124,3 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 384 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель обучалась с функцией потерь CachedMultipleNegativesRankingLoss на наборах данных для семантического сходства, поиска и вопросов и ответов. Контекст ограничен 512 токенами. Репозиторий содержит веса в форматах Safetensors и ONNX; лицензия в предоставленных данных не указана.

swardiantara/bert-tiny-amazon_reviews-k5-adaptive-cosine — компактная модель Sentence Transformers, дообученная автором на базе google/bert_uncased_L-2_H-128_A-2 на парах текстов с оценками сходства. Она преобразует предложения и абзацы в плотные векторы размерности 128 и предназначена для поиска похожих текстов и извлечения признаков. Архитектура включает BERT с двумя слоями, mean pooling и сравнение векторов по косинусному сходству; модель принимает текст, поддерживает последовательности до 128 токенов по README и имеет контекстное окно до 512 токенов по метаданным. В карточке показаны примеры англоязычных отзывов Amazon, поэтому прежде всего модель подходит для поиска и сравнения англоязычных отзывов. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не указана.

swardiantara/bert-tiny-yelp-k1-fixed-euclidean — компактная модель Sentence Transformers, созданная дообучением английской BERT-модели google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы в плотные векторы размерности 128 для поиска и сравнения текстов; архитектура включает BertModel и mean pooling. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 128 токенов; при практическом использовании следует учитывать ограничение, заданное самой конфигурацией модели. Для сравнения в README указана косинусная мера сходства. Модель принимает текст и выдаёт эмбеддинги, обучена на наборе из примерно 2,93 млн пар текстов. Репозиторий использует Sentence Transformers и формат safetensors. Лицензия в предоставленных сведениях не указана.

cstr/bge-m3-GGUF — это конвертированная в формат GGUF версия модели BAAI/bge-m3, разработанной BAAI. Репозиторий предназначен для запуска модели через лёгкий C/C++-движок CrispEmbed на базе ggml, без Python и ONNX. Модель предназначена для получения текстовых эмбеддингов и задач многоязычного семантического поиска и извлечения информации. BGE-M3 поддерживает плотное, разреженное и многовекторное представление ColBERT в одной модели, заявлена поддержка более 100 языков и контекста до 8192 токенов. Архитектура — XLM-R; модель содержит 568 млн параметров, 24 слоя, размерность эмбеддингов 1024, использует mean pooling и токенизатор SentencePiece. Указана только текстовая модальность. Доступны варианты квантования Q4_K размером 438 МБ и Q8_0 размером 583 МБ, а также версия F32 размером 2175 МБ. Преимущество GGUF-версии — возможность локального и ресурсоэффективного запуска, включая серверный режим CrispEmbed. Согласно README, результаты проверены на битовое соответствие реализации sentence-transformers с косинусным сходством не менее 0,999 на тестовых текстах. Ограничение состоит в том, что репозиторий выполняет только конвертацию и/или квантование исходных весов; сведения о качестве, обучающих данных и возможностях следует уточнять в карточке BAAI/bge-m3. Модель распространяется по лицензии MIT, при этом репозиторий не предоставляет прав сверх лицензии исходной модели.

qilowoq/bge-reranker-v2-m3-en-ru — уменьшенная версия переранжировщика BAAI/bge-reranker-v2-m3, подготовленная автором репозитория qilowoq. В словаре оставлены токены английского и русского языков; по заявлению карточки, модель примерно в 1,5 раза меньше исходной и при этом сохраняет те же оценки релевантности.

bge-reranker-v2-m3-GGUF — GGUF-квантизированная версия модели bge-reranker-v2-m3, разработанной BAAI. Модель предназначена для переранжирования результатов поиска: принимает запрос и документ или фрагмент текста и напрямую вычисляет оценку их релевантности, а не создаёт эмбеддинги. Это делает её подходящей для семантического поиска, retrieval-систем и сценариев, где требуется упорядочить найденные документы по соответствию запросу. Модель основана на bge-m3 и обладает мультиязычными возможностями; конкретный набор поддерживаемых языков и размер контекста в README не указаны. Оценку релевантности можно использовать напрямую или преобразовать в диапазон от 0 до 1 с помощью сигмоидальной функции. Ключевыми преимуществами заявлены компактность, простота развёртывания, высокая скорость инференса и поддержка мультиязычных сценариев. README не содержит сведений о точном размере модели, параметрах, формате квантования или измерениях качества, поэтому эти характеристики оценить нельзя. Распространяется по лицензии Apache-2.0. GGUF-квантизация выполнена на основе указанного релиза llama.cpp; для исходной модели приведена ссылка на BAAI/bge-reranker-v2-m3.

biencoder-camembert-L4-mmarcoFR — компактная плотная двубашенная модель эмбеддингов для семантического поиска на французском языке, разработанная Antoine Louis. Она кодирует запросы и документы в векторы размерности 768, а релевантность оценивает по косинусному сходству. Основа — CamemBERT-L4, облегчённая версия CamemBERT с удалёнными верхними слоями; модель содержит 62,3 млн параметров и принимает последовательности длиной до 514 токенов, хотя при обучении максимальная длина запросов и документов составляла 128 токенов. Модель дообучена на французских данных mMARCO, включая сложные негативные примеры, для поиска релевантных фрагментов по запросам. Её можно применять для семантического поиска и ранжирования найденных документов в корпусах на французском языке. Для использования доступны Sentence-Transformers, FlagEmbedding и Transformers. Лицензия — MIT.

comsat-embed-ja-0.3b-preview — модель для создания текстовых эмбеддингов, разработанная Sionic AI и дообученная на базе cl-nagoya/ruri-v3-310m. Она предназначена для семантического поиска на японском языке: кодирует запросы и документы в векторы, которые можно сопоставлять по косинусному сходству. Подходит для поиска по документам, базам знаний и корпоративным коллекциям, а также для извлечения материалов в системах ответов на вопросы. Модель использует энкодерную архитектуру ModernBERT, содержит 314,6 млн параметров и принимает до 8192 токенов. Выдаёт 768-мерные эмбеддинги со средним объединением токенов и L2-нормализацией. Для запросов и документов предусмотрены разные префиксы: «検索クエリ: » и «検索文書: ». В README заявлен средний результат NDCG@10 0,7785 на 11 задачах поиска JMTEB v2 среди сравниваемых моделей размером до 4 млрд параметров. Модель специализирована на японском языке и поддерживает сценарии семантического поиска, включая поиск научных публикаций, государственных FAQ, веб-страниц и длинных документов. Для сохранения качества поиска следует применять соответствующий префикс к запросу и документу. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Plasmoxy/embeddinggemma-300m-DiscordSum-RC-PD58 — англоязычная модель Sentence Transformers, дообученная автором Plasmoxy на датасете DiscordSum от google/embeddinggemma-300m. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 768 для поиска и сравнения текстов; сходство оценивается косинусной мерой. Модель построена на текстовой архитектуре Gemma 3, содержит 302,8 млн параметров и принимает последовательности длиной до 2048 токенов. Модель предназначена для семантического поиска по сообщениям и обсуждениям Discord, ранжирования подходящих документов, поиска перефразирований, кластеризации и классификации текстов. Обучающие примеры представлены парами запрос–документ из DiscordSum. Для инференса подходит библиотека Sentence Transformers; веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Модель Michelhe/everycli-minilm-ft-boosted — дообученный Sentence Transformer на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, разработанный для поиска и сопоставления текстов. Она преобразует предложения и абзацы в плотные векторы размерности 384; сходство между ними можно оценивать по cosine similarity. Архитектура состоит из BERT-энкодера с mean pooling, работает только с текстом и использует библиотеку Sentence Transformers. Модель обучена на 1 104 парах предложений с помощью MultipleNegativesRankingLoss. Примеры обучающих данных связаны с командами и задачами CLI, поэтому модель подходит для поиска команд по описанию и извлечения релевантных фрагментов в сценариях retrieval. Максимальная длина последовательности в README — 128 токенов; метаданные каталога указывают нативный контекст 512 токенов. Лицензия в предоставленных данных не указана.

EvoEmbedding-4B — модель эмбеддингов семейства EvoEmbedding, разработанная MiG-NJU на архитектуре Qwen3-4B. Она предназначена для поиска по длинным последовательностям и диалогам: модель учитывает порядок сообщений и обновляет латентную память по мере поступления контекста, формируя контекстно-зависимые векторы для извлечения информации в RAG-системах и агентской памяти. Клиент из репозитория также поддерживает ранжирование списка кандидатов по релевантности. Модель содержит 4 млрд параметров и принимает последовательности текстовых сообщений, выдавая нормализованные эмбеддинги; доступна в формате safetensors. В карточке указаны английский и китайский языки. Лицензия — Apache-2.0. Для использования требуется клиентская реализация из GitHub-репозитория проекта; в README не приведены результаты сравнительных оценок качества.

Onyx Information Content Model — модель классификации текстовых фрагментов, разработанная для системы Onyx Enterprise Search. Она определяет, содержит ли короткий фрагмент информацию, полезную саму по себе для ответа на вопрос в RAG-сценарии. Модель построена на SetFit: дообученный методом контрастивного обучения Sentence Transformer на базе sentence-transformers/paraphrase-mpnet-base-v2 формирует признаки, а классификатор LogisticRegression относит текст к одному из двух классов. Модель предназначена для английского языка; максимальная длина последовательности составляет 512 токенов. В метаданных указано 136,7 млн параметров и формат safetensors. Она подходит для отбора информативных фрагментов в корпоративном поиске и подготовке контекста для ответов на вопросы. Классификация ограничена двумя классами и короткими текстовыми фрагментами; качество для других языков и сценариев не заявлено. Лицензия в предоставленных данных не указана.

INTELLECT-1-step-88000 — промежуточный чекпойнт языковой модели INTELLECT-1 от Prime Intellect и сообщества участников. Модель обучалась с нуля как плотная авторегрессионная модель семейства Llama примерно на 10 млрд параметров; в метаданных указаны 9,7 млрд параметров и контекст до 8192 токенов. Обучение проводилось на триллионе токенов английского текста и кода, включая веб-тексты, математические материалы и код. Модель предназначена для генерации продолжений текста и кода на английском языке. Этот чекпойнт соответствует шагу обучения 88000 и является промежуточным состоянием, а не финальной или инструкционной версией INTELLECT-1. Модель выпущена под лицензией Apache 2.0.